(9)自研框架的Weight关系图

运行入口程序Create_AI_Framework_In5Classes(Class1)的Neuron_Network_Entry.py代码，运行结果如下：在hidden_layers= [4,2]时， 运行结果的第一行中的第一个“+1”表示输入层的Bias节点名字，V1表示输入层的第一个输入节点，V2表示输入层的第2个输入节点；第二行“Hiddenlayer creation”的1是第1层隐藏层Bias名字，之后是第一个隐藏层的4个神经元节点的名字。第三行“Hidden layer creation”的2是第2层隐藏层Bias名字，之后是第2个隐藏层的2个神经元节点的名字。第四行打印输出层Output layer的节点名字Output；第4行至第15行的记录打印了节点是否为Bias的节点；第16行至48行的记录打印了层次之间节点的权重信息。

+1      V1      V2      Hidden layer creation:  1    N[1][1]   N[1][2]  N[1][3]  N[1][4]         Hidden layer creation:  2    N[2][1]   N[2][2]         Output layer:  OutputThis is a bias:0 TrueThis is a bias:1 FalseThis is a bias:2 FalseThis is a bias:3 TrueThis is a bias:4 FalseThis is a bias:5 FalseThis is a bias:6 FalseThis is a bias:7 FalseThis is a bias:8 TrueThis is a bias:9 FalseThis is a bias:10 FalseThis is a bias:11 FalseThe weight from 0 to 3 : -0.8432927944499292The weight from 0 to 4 : 0.31040626938373794The weight from 0 to 5 : 0.9805869742938771The weight from 0 to 6 : 0.5640002305153979The weight from 0 to 7 : 0.18013609435209132The weight from 1 to 3 : -0.3730098485963417The weight from 1 to 4 : 0.7799945591751547The weight from 1 to 5 : -0.9594934440293328The weight from 1 to 6 : -0.3861544423563733The weight from 1 to 7 : -0.9230632804294159The weight from 2 to 3 : -0.3417936962300032The weight from 2 to 4 : -0.8808083450903371The weight from 2 to 5 : -0.9828144841662153The weight from 2 to 6 : 0.40570514965497284The weight from 2 to 7 : 0.2062009051883149The weight from 3 to 8 : -0.08571059670290881The weight from 3 to 9 : 0.5887786989813657The weight from 3 to 10 : -0.044944262158458814The weight from 4 to 8 : -0.22056670893200558The weight from 4 to 9 : 0.9022426398160805The weight from 4 to 10 : 0.9589479648411074The weight from 5 to 8 : 0.7624314210742158The weight from 5 to 9 : 0.6188878269523919The weight from 5 to 10 : 0.144186123214594The weight from 6 to 8 : 0.9296242746949004The weight from 6 to 9 : -0.7883625105175263The weight from 6 to 10 : -0.8826609847341614The weight from 7 to 8 : 0.3292160910341271The weight from 7 to 9 : 0.28721651434474116The weight from 7 to 10 : -0.8050407637944632The weight from 8 to 11 : -0.7737203895168975The weight from 9 to 11 : 0.2926894644394433The weight from 10 to 11 : -0.8860746255530616 

以上第16行至48行的记录打印的层次之间的权重连接关系如图所示，其中第0个节点、第3个节点、第8个节点都是Bias节点，也进行了Weight的计算，但参考TensorFlow的可视化图，Weight的连接不应包括Bias的节点，因此，接下来的工作需将Bias从Weight连接关系中去掉。

图 1- 23 weight图（Weight中需去除Bias）

NetworkConnection.py代码中构成Weight的前提条件是有前后相邻的Layer关系。 是不是就可以创建Weight了？不是的，因为我们创建的节点中还有Bias，这里要不要Bias？Weight是发生在神经元之间的，跟Bias没关系，比较的节点Node之间不能是Bias成员，所以要去掉Bias的节点。在NetworkConnection.py代码判断一下节点nodes[k]的get_is_bias_unit()如果等于True，去掉Bias节点，节点nodes[k]的get_is_bias_unit()如果等于False，说明是神经元节点；同样的，判断一下节点nodes[j]的get_is_bias_unit()如果等于True，去掉Bias节点，节点nodes[j]的get_is_bias_unit()如果等于False，说明是神经元节点。下一步才是创建Weight节点，从nodes[j]出发到nodes[k]之间创建Weight，相当于TensorFlow的可视化图中，从输入层的x1节点到第一个隐藏层的第一个节点的Weight。

因此，在Create_AI_Framework_In5Classes(Class1)版本的NetworkConnection.py 的基础上进行微调：

• 在NetworkConnection.py 的33行代码之后新增代码，判断nodes[k]、nodes[j]节点是否为Bias节点。

……  if nodes[k].get_is_bias_unit() == False:      if nodes[j].get_is_bias_unit() == False: ……

再次运行入口程序Create_AI_Framework_In5Classes(Class1)的Neuron_Network_Entry.py代码，运行结果如下：这里是hidden_layers = [4,2] 为两个Hidden layer，第一个Hidden Layer有4个Neuron，第二个Hidden Layer有2个Neuron。整个神经元网络有12个节点，其中ID为0、3、8的Node为Bias节点，ID为1，2的是输入层，分别关联到 4、5、6、7节点，然后4、5、6、7节点分别关联到下一个隐藏层的节点9，10节点；9，10节点最后输出到输出层节点ID 11 ，打印出各权重的结果。此时的第16行到第33行记录中权重连接已经不包括Bias节点的信息：

+1      V1      V2      Hidden layer creation:  1    N[1][1]   N[1][2]   N[1][3]   N[1][4]         Hidden layer creation:  2    N[2][1]   N[2][2]         Output layer:  OutputThis is a bias:0 TrueThis is a bias:1 FalseThis is a bias:2 FalseThis is a bias:3 TrueThis is a bias:4 FalseThis is a bias:5 FalseThis is a bias:6 FalseThis is a bias:7 FalseThis is a bias:8 TrueThis is a bias:9 FalseThis is a bias:10 FalseThis is a bias:11 FalseThe weight from 1 to 4 : -0.5966709106901581The weight from 1 to 5 : 0.07947677556332922The weight from 1 to 6 : 0.07152849138429773The weight from 1 to 7 : -0.6151153437634211The weight from 2 to 4 : 0.4404589389379745The weight from 2 to 5 : -0.37302058580259034The weight from 2 to 6 : 0.6301744080838145The weight from 2 to 7 : 0.8399836297367551The weight from 4 to 9 : -0.8540440064378192The weight from 4 to 10 : 0.11234629072264402The weight from 5 to 9 : -0.7001168324752038The weight from 5 to 10 : 0.3559754422762831The weight from 6 to 9 : 0.1871381838161481The weight from 6 to 10 : -0.24520160115212353The weight from 7 to 9 : -0.8298084340883155The weight from 7 to 10 : 0.3495018265054681The weight from 9 to 11 : 0.5642582213695844The weight from 10 to 11 : -0.5101870920556825

代码调整以后，第16行到第33行记录的层次之间的权重连接关系如图所示，此时，我们自研的神经网络Weight关系图和TensorFlow的可视化图是类似的。

欢迎关注微信公众号：“从零起步学习人工智能”。

喜欢我们发布的信息，就在右下角点一下“在看”吧！欢迎转发分享！